野心曝光！7亿美元造芯片、开发革命性产品，OpenAI想要“垄断”整个AI

今年以来，最重磅的消息就是OpenAI发布文生视频模型Sora，其之于视频大模型的意义丝毫不亚于ChatGPT之于文本模型领域的意义。
    

文生视频模型Sora的出现，意味着OpenAI实现了对生成式AI主流模型的全面覆盖，其中包括文本模型GPT、文生图模型DALL·E、文生视频模型Sora。
    

然而，这并不是OpenAI故事的全部。近期，随着越来越多信息的披露，OpenAI试图垄断AI产业的野心暴露无疑。
    

据WSJ报道，OpenAI正在持续探索进入芯片制造的可能，并抛出了一个5万亿到7万亿美元的超级融资计划。与此同时，OpenAI也在加速对AI核心应用场景的产品研发，其中包括一款搜索产品和两款革命性的Agent软件。
    

这意味着，OpenAI正在向基础设施层和AI应用层同时发力，试图通吃整个生成式AI的软硬件基础设施，进而垄断整个AI产业。
    

/ 01 / 通吃上下游的野心
    

人们总把OpenAI简单当作模型层公司。但现在这个看法要改改了。种种迹象显示，OpenAI正在向基础设施层和AI应用层同时发力。
    

在基础设施层，Sam Altman抛出了一个增加全球芯片制造能力的项目，并与包括阿拉伯联合酋长国政府在内的不同投资者谈判，计划募资金额高达5万亿到7万亿美元。
    

事实上，Altman这一计划由来已久，自去年10月开始就不断有OpenAI准备投资芯片的消息传出，Altman本人也同包括G42、软银、英特尔、台积电和三星电子等公司谈判过合作。
    

除了往基础设施层走，OpenAI也在加速对AI核心应用场景的产品研发。根据媒体报道，据了解 OpenAI 计划的知情人士透露，OpenAI一直计划开发一款网络搜索产品，这项产品将得到Bing支持。
    

与此同时，OpenAI还在开发两款革命性的Agent软件。其中一款能够有效接管客户的设备来自动执行复杂的任务。例如，把文档中的数据传输到电子表格中进行分析，或者自动填写费用报告并将其输入会计软件，或者根据一定的预算制定行程或预订机票。
    

上个月，OpenAI员工本·纽豪斯在X上发布了一则招聘信息，为自己的团队招聘，方向是利用最新模型的特性，开发一款可能会改变行业格局的新产品。对于产品具体情况，他没有详细说明。但OpenAI的产品副总裁彼得·韦林德在X上评论说，纽豪斯所说的产品将会改变一切。
    

无论是Agent还是AI搜索工具，都被认为是当下AI应用探索最成功的场景之一，前者的代表产品是AutoGPT，后者的代表产品是Perplexity。其中，Perplexity 已经融资 1 亿美元，最近投资者对它的估值为 5.2 亿美元。据 The Information 报道，截至上个月，这家初创公司每年从产品订阅中获得约 800 万美元常规收入。
    

尽管谷歌、Meta等公司在芯片和AI产品也都有动作，但远远没有OpenAI这么活跃。而之所以OpenAI花这么多力气往上下游走，很重要的一个原因就是对AI产业终局的押注。
    

/ 02 / 押注AI产业终局
    

表面上看，OpenAI去造芯片，是因为购买AI芯片的成本太高了。但说到底，OpenAI还是不想被卡脖子。
    

现在提升模型智能水平只有一个路径，就是 Scaling Law。在肉眼可见的未来，仍然看不到Scaling Law的尽头。而且即使不开发任何新的模型，OpenAI 离“用 GPT-4 服务所有人”的目标仍然很远。这意味着，在可见的未来，算力都是一个巨大的瓶颈。
    

这可不光是钱的事情。算力成本的下降速度，决定了AI在很多场景里的落地。这一点和当初的互联网很像，移动互联网应用大规模爆发，起于从3G到4G的所带来的流量成本大幅下降。
    

而现在算力成本的下降，很大程度上取决于芯片厂商。尽管H100相比A100性能有明显提升，但并没有像模型训练算力需求那样有明显数量级的增长。这也意味着，算力成本已经成为OpenAI通往AGI的最大阻碍。
    

抛开卡脖子的因素外，在AGI终局里，算力本身也足够“性感”。在这一轮AI热潮的驱动下，英伟达的市值已经一举超越了亚马逊与谷歌。
    

与布局芯片类似于，OpenAI做AI应用产品也出于类似的考虑。从历史中看，软件行业的最终赢家是直接掌控用户和数据资产的平台型应用，“只掌握技术”在互联网世界里被证明并没有价值。
    

这个逻辑放在生成式AI也同样适用。正如此前月之暗面杨植麟所说：
    

“现在‘吃’的是 Base Model 的 Scaling Law，未来可能会去“吃”用户这个数据源的 Scaling Law。历史上基本所有的互联网产品要跑出来，最终都要靠用户数据的 Scale。今天 MidJourney 已经能看到一些迹象，它通过“吃”用户的Scaling Law 可以胜过 Base Model 的Scale up，但如果只看语言模型和文本，Base Model 的scaling 效果仍然远远超过用户的。“
    

按照杨植麟的说法，AI大模型智能水平驱动力从基础数据的Scaling Law转移到用户的Scaling Law，只是个时间问题。在这种情况下，应用层公司既是模型层的下游客户，也是数据提供者。只有掌握用户的公司，才真正意味着掌控模型。
    

/ 03 / OpenAI的终局思维
    

如果你足够了解OpenAI，就会对这家公司的目标印象深刻。从创业开始，这家公司的目标只有一个，就是 all in AGI，一切研究围绕着探索通往 AGI 的路径。你能看到，无论是OpenAI还是掌舵人Sam Altman，他们在行为上都有着极强终局思维的烙印。
    

之所以OpenAI能跑通从文本、图片到视频的所有 AGI 技术栈，而且在很多领域都展现出了远超行业的能力，恰恰离不开OpenAI基于终局思维建立的方法论。
    

作为Scaling Law这一暴力美学的坚定支持者，为了最大程度地发挥Scaling Law的价值，OpenAI做了三件事情：良好且通用的数据表示，良好且通用的数据标注，良好且通用的算法。
    

根据加州大学伯克利分校 (UC Berkeley) 计算机科学 PHD、知乎作者 SIY.Z的分析：
    

在GPT中，良好且通用的数据表示，是 tokenizer 带来的 embedding。良好且通用的数据标注是文本清理和去重的一套方法（因为自然语言训练是 unsupervised training，数据本身就是标注）。良好且通用的算法就是大家熟知的 transformers + autoregressive loss。
    

在Sora中，良好且通用的数据表示，是 video compress network 带来的 visual patch。良好且通用的数据标注是 OpenAI 自己的标注器给视频详细的描述（很可能是 GPT-vision）。良好且通用的算法也是大家熟知的 transformers + diffusion。
    

以上的种种调整，为GPT和Sora的成功打下了基础。而如今，这样的思维也从技术探索也延伸到了业务布局。
    

就拿做芯片这事来说，很多人觉得奥特曼提出的7万亿是天方夜谭，但如果放到终局思维的路径里，其实也就能够理解了。
    

现在全球每年的GDP大约在100万亿美元，7万亿也就占7%而已。要知道，人脑的能量开销占每天人体耗能的 20%以上，因此最终 AI 相关的算力开销或许也应该达到类似的比例才合理。全球 70 亿人分 7 万亿美元，平摊下来人均也就 1000 美元，只有1 部苹果手机或笔记本电脑的价钱，但你从中获得的生产力提升可能翻倍都不止。
    

以终局思维出发，进行业务布局，让OpenAI将AI产业的竞争拉高到一个新的维度，而不仅仅取决于模型的智能水平。但这事也会带来一个问题：OpenAI将面临比互联网巨头更严厉的垄断监管。
    

如果OpenAI这条路能跑通，意味着AI产业将比互联网更加垄断。原因很简单，当算力、算法和数据三者的价值全被OpenAI拿走的，很多人工智能产业链上的公司会死掉。
    

在互联网时代，由于信息流动方式的问题，导致数据最终聚集在了少数互联网巨头的手里，他们通过广告这个精妙的商业模式，把财富聚集在自己手里，垄断开始出现。
    

生成式AI所带来的技术变革本有望打破这一切。但OpenAI的AGI野心，很有可能让长成一个吸血的怪兽，垄断所有的知识来靠此收费，在垄断这件事上不仅没有减少，甚至换了新方法变本加厉上演。
    

从长远看，OpenAI吃掉AI绝大部分蛋糕的故事固然性感，但对于AI行业乃至整个世界来说，未必是一件好事。